CN111797186A - 一种遥感反演水体cod的方法 - Google Patents
一种遥感反演水体cod的方法 Download PDFInfo
- Publication number
- CN111797186A CN111797186A CN202010551807.XA CN202010551807A CN111797186A CN 111797186 A CN111797186 A CN 111797186A CN 202010551807 A CN202010551807 A CN 202010551807A CN 111797186 A CN111797186 A CN 111797186A
- Authority
- CN
- China
- Prior art keywords
- water quality
- water
- remote sensing
- cod
- water body
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 32
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title description 5
- 229910052760 oxygen Inorganic materials 0.000 title description 5
- 239000001301 oxygen Substances 0.000 title description 5
- 239000000126 substance Substances 0.000 title description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 38
- 238000011160 research Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000003911 water pollution Methods 0.000 abstract description 4
- 238000012952 Resampling Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 abstract description 3
- 238000007637 random forest analysis Methods 0.000 abstract description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000001360 synchronised effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及水污染治理领域，公开了一种遥感反演水体COD的方法，借助高时空分辨率的哨兵2号遥感影像，通过辐射定标、大气校正、重采样等预处理措施，结合同步水体实测数据，利用ArcGIS空间分析工具与随机森林(RF)、支持向量机(SVR)神经网络(NNs)机器学习算法，构建了水质参数反演模型，实现了对水体COD指标的快速确定，满足城市小型水体水质监测的需要。
Description
技术领域
本发明涉及水污染治理领域，具体涉及一种遥感反演水体COD的方法。
背景技术
水是人类及其他生物生存和社会可持续发展不可或缺的资源，水的质量影响着人类生存和发展的质量。随着经济的迅速发展，有机污染物在城市河流和湖泊中的大量排放，城市水生态***中的有机物含量急剧增长，以城市内河为代表的城市水体由于其环境容量小，自净能力差等特点，形成了严重的环境问题，例如水体富营养化和黑臭水体。目前，对于城市水务管理部门和环保部门来说，水体监测手段仍然以传统的“现场采集水样进行实验室水质参数测定”为主。这种监测方法虽然具有较高的精度，但其只能了解监测点及有限范围内的水质状况，并不能反映大面积水体生态环境的时空变化。此外，传统水体监测方法操作复杂，时间和经济成本均较高，难以实现实时监测需求。虽然目前市场上有很多便携式的水质监测仪，部分设备通过数据传输模块可以实现实时监测，但这些设备的监测指标多集中于pH、水温、电导率、溶解氧等等一些常规水质指标。对于能够更好地表征城市水体污染的指标，如COD，仍然难以实现。而且，这些设备的监测结果也只能反应监测点及有限范围内的水质状况，无法对大面积水域进行水质监测。基于以上分析，现有的水质监测方法显然已经不能满足城市水体污染快速识别、高效预警和科学管理的需求，因此亟需更加快速、便捷、高效、全面的城市水体水质监测方法。
随着遥感技术的发展，使得遥感监测水质成为了一种可能。从现有的研究来看，常用的卫星遥感数据包括Landsat卫星的TM/ETM+、OLI数据、Terra和Aqua卫星的MODIS数据、SPOT卫星的HRV数据、IRS***的LISS数据和气象卫星NOAA的AVHRR数据等。其中，TM/ETM+、OLI数据因具备较高的空间分辨率和光谱分辨率，已成为目前水质遥感监测中使用最广泛的多光谱数据。国内外学者利用该数据开展了大量的研究，在对叶绿素a浓度、悬浮物浓度、黄色物质和透明度的估测方面均取得了比较理想的结果。但该数据的更新周期长达16天，因此并不适合城市小型水体水质监测和预警。MODIS数据具有观测周期短(1day)、光谱分辨率高和全球免费获取等优势，在水质监测研究中收到越来越多的重视。但是其空间分辨率高达250米，而城市水体面积一般较小，因此也不适合用于城市水体水质监测。
高分辨率商业卫星的成功发射，也为水质监测提供了更高空间分辨率的遥感数据，如IKONOS和QuickBird数据的空间分辨率分别达到了1m和0.61m。但是受数据获取的经济成本限制，并不适合日常水质监测。高光谱影像能够提供大量窄波段连续光谱图像数据，为遥感反演水质提供了更加丰富的光谱特征数据。但是星载高光谱数据(如Hyperion和CHRIS)目前均属于试验性数据。机载高光谱数据(如AVIRIS、CASI和CIS等)覆盖范围小，监测成本较高。因此现阶段高光谱数据也不适合长期、连续的城市小型水体水质监测。
发明内容
基于以上问题，本发明提供了一种遥感反演水体COD的方法，以解决现有的城市小型水体湖泊监测高成本低效率的问题；通过将机器学习引入遥感反演水质的经验方法，利用已经积累的遥感数据和水质参数数据训练机器，使得机器在未来具备利用遥感数据预测水质参数的能力，实现了对水体COD指标的快速确定，满足城市小型水体水质监测的需要。
本发明通过下述技术方案实现：
一种遥感反演水体COD的方法，包括以下步骤，
(1)水体监测数据获取：
①采用网格法在湖面均匀设置采样点，采样点密度为0.03点/km2；根据哨兵2号卫星的过境时间，利用无人船进行水样采集，采样深度为30-50cm；水样采集后装入棕色瓶，测定水质参数；
②采样时要求天气晴朗，风力小于3级，湖面上方无云，采样时间卫星过境时间间隔小于4h；
③利用ArcGIS10.4的空间插值工具，根据数据特征选择4种空间插值方法，对水质参数进行插值；选择最优插值结果，利用ArcGIS10.4的fishnet工具在插值结果的范围中生成1000个新采样点；
④生成过程中确保每2个采样点之间的距离大于10米；分别提取水质参数，得到2000个采样点的水质参数值；
(2)卫星数据处理
利用采样点水质参数值提取遥感影像的像元值，得到2000个点的像元值数据集，与2000个点的水质参数构成本研究的数据集；用整个湖面的感兴趣区(ROI)提取整个湖面的像元值，作为机器学习模型预测的输入变量；
(3)遥感反演水体COD指标
分别训练RF、SVR和NNs三种机器学习模型，利用R2和RMSE验证模型在测试集上的表现，调整模型的超参数，并最终确定每种水质参数反演的最佳模型；全部数据集的遥感影像像元值导入最终确定的模型，预测与其对应的水质参数。
作为一种优选的方式，步骤(2)中将影像的4个20m分辨率的波段重采样为10m，获得8个分辨率为10m的水质参数敏感波段用于水质参数反演。该优选方式解决了在像元大小不同，像元边界之间存在相对偏移而产生的不同栅格的像元并不总是对齐问题。
本发明与现有技术相比，具有以下优点及有益效果：
1、本发明采用哨兵2号高时空分辨率数据，相比于TM/ETM+、MODIS等数据，为城市小型水体水质监测提供了可能。同时借助于地理信息空间技术手段，以实测水质参数为基础，生成高样本量湖泊水体监测样本，以克服城市小型水体通常实测水质参数数据不足的问题。
2、本发明为进一步提高遥感反演COD的精度，入随机森林、支持向量机、神经网络等机器学习算法，利用已经积累的遥感数据和水质参数数据训练机器，使得机器在未来具备利用遥感数据预测水质参数的能力，尝试将复杂的物理分析过程“交给”机器完成，使得水质监测过程更加简单、便捷，监测结果精度更高。
附图说明
图1为本实施例中采样点的实测水质参数分布图；
图2为本实施例中局部多项式插值Y原理图；
图3为本实施例中反距离权重插值原理图；
图4为本实施例中普通克里格和简单克里格原理图；
图5为本实施例中不同插值方法的水质参数的均方根误差图(RMSE)；
图6为三种机器学习算法反演COD的准确性及三种优化模型的对比图；
图7为实测水质参数与预测水质参数的对比图。
具体实施方式
下面结合实施例进行进一步地详细说明，但本发明的实施方式不限于此：
一种遥感反演水体COD的方法，所述的方法包括以下步骤：
(1)水体监测数据获取：①选取渤龙湖为研究区，采用网格法在渤龙湖湖面均匀设置20个采样点，采样点密度为0.03点/km2。根据哨兵二号卫星的过境时间，分别2019年五月20日、6月9日利用无人船进行2次水样采集，共收集水样40个，采样深度为30-50cm(采样点位置如图1所示)。采样时天气晴朗，风力小于3级，湖面上方无云，采样时间与卫星过境时间间隔小于4h。水样采集后迅速装入棕色瓶，避免阳光照射，并尽快送至实验室进行水质参数测定；②用ArcGIS10.4的空间插值工具，根据数据特征选择4种空间插值方法，对水质参数进行插值。选择最优插值结果，利用ArcGIS10.4的fishnet工具在插值结果的范围中生成1000个新采样点。生成过程中确保每2个采样点之间的距离大于10米，避免一个像元中有2个采样点。分别提取水质参数，得到2000个采样点的水质参数值。
(2)卫星数据处理：①下载水体监测时段的哨兵2号卫星影像，影像已经经过几何校正。利用哨兵官方发布的sen2cor软件对影像进行辐射定标和大气校正，获得L2A级别的数据。利用SNAP对波段进行重采样用于水质参数反演，将4个20m分辨率的波段重采样为10米，获得8个分辨率为10m的水质参数敏感波段用于水质参数反演；②在ENVI5.5中，提取项目感兴趣区域。利用采样点水质参数值提取影像的像元值，得到2000个点的像元值数据集，与2000个点的水质参数构成本研究的数据集。利用整个湖面的感兴趣区提取整个湖面的像元值，作为机器学习模型预测的输入变量。
(3)遥感反演水体COD指标：分别训练RF、SVR和NNs三种机器学习模型，利用R2和RMSE验证模型在测试集上的表现，调整模型的超参数，并最终确定每种水质参数反演的最佳模型。将全部数据集的遥感影像像元值导入最终确定的模型，预测与其对应的水质参数。
结果分析：
1、水体COD现场采样及空间插值结果
利用ENVI5.5工具提取的5月20号与6月9号的水质采样点对应的大气底层反射率如下表1：2019年5月20日大气底层反射率和下表2：2019年6月9日大气底层反射率所示，表1：2019年5月20日大气底层反射率
表2：2019年6月9日大气底层反射率所示
借助ArcGIS10.4的半变异方差云和直方图对实测水质参数进行变异检测。利用平均值替代异常值后，生成2次采样共计40个采样点的水质参数分布图，结果如图1所示。2019年5月20日，COD的平均值分别为17.96mg/L，高值主要分布于湖东部。2019年6月20日，COD的平均值有所增加，达到26.86mg/L，高值均主要分布于湖东部。
根据数据特征同时选择了局部多项式、反距离权重、普通克里格以及简单克里格四种方法对COD水样数据进行空间插值。局部多项式插值法使用位于指定重叠邻域内的多个多项式进行拟合。搜索邻域可以使用大小和形状、相邻要素数和扇区配置进行定义，使用探索性趋势面分析参数同步更改带宽、空间条件数和搜索邻域值，原理如图2所示；反距离权重插值使用一组采样点的线性权重组合来确定像元值，原理如图3所示；普通克里格法和简单克里格法都是假定采样点之间的距离或方向可以反映可用于说明表面变化的空间相关性将数学函数与指定数量的点或指定半径内的所有点进行拟合以确定每个位置的输出值，原理如图4所示，只是两种插值方法所使用的半异变函数有所不同。
插值精度采用平均误差和RMSE来评估，平均误差和RMSE均为20次交叉验证的平均值。本研究中平均误差均十分接近0，RMSE如图5所示。由图5可知，相同采样时间不同水质参数的空间插值精度和同一水质参数不同采样时间的空间插值精度有一定差别。在2019年5月20日，COD的最优空间插值RMSE为11.4329mg/L。
2、水体COD参数机器学习模型构建
分别训练RF、SVR、NNS模型，利用R2、RMSE对模型在测试集上的性能进行测试，根据测试结果调整模型参数，最终确定各水质参数的最优模型。将影像的DN数据集导入每个模型，预测相应的水质参数。将模型预测的水质参数与空间插值结果提取的水质参数进行对比，得到散点图如图6所示。由图6可知，三种机器学习模型均表现出较好的精度。SVR和NNs的R2相同，均为0.754，但SVR的RMSE略低于NNs，模型精度更好。RF的R2和RMSE分别达到0.722和4.378mg/L，均略低于SVR和NNs。COD水质参数的散点图都明显聚集在两个不同的区域，COD和浊度在6月9日为17.45mg/L明显低于5月20日的31.70mg/L。
3、模型预测结果与实测结果比较
对比两次采样获取的实测水质参数和经过空间插值和机器学习模型两个步骤得到的预测COD参数，结果如图7所示。由图7可知，COD水质参数的实测值与预测结果之间整体保持了与空间插值和机器学习模型较为一致的精度，R2和RMSE分别为0.731和4.585mg/L。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种遥感反演水体COD的方法，包括以下步骤：
(1)水体监测数据获取：
①采用网格法在湖面均匀设置采样点，采样点密度为0.03点/km2；根据哨兵2号卫星的过境时间，利用无人船进行水样采集，采样深度为30-50cm；水样采集后装入棕色瓶，测定水质参数；
②采样时要求天气晴朗，风力小于3级，湖面上方无云，采样时间卫星过境时间间隔小于4h；
③利用ArcGIS 10.4的空间插值工具，根据数据特征选择4种空间插值方法，对水质参数进行插值；选择最优插值结果，利用ArcGIS 10.4的fishnet工具在插值结果的范围中生成1000个新采样点；
④生成过程中确保每2个采样点之间的距离大于10米；分别提取水质参数，得到2000个采样点的水质参数值；
(2)卫星数据处理
利用采样点水质参数值提取遥感影像的像元值，得到2000个点的像元值数据集，与2000个点的水质参数构成本研究的数据集；用整个湖面的感兴趣区(ROI)提取整个湖面的像元值，作为机器学习模型预测的输入变量；
(3)遥感反演水体COD指标
分别训练RF、SVR和NNs三种机器学习模型，利用R2和RMSE验证模型在测试集上的表现，调整模型的超参数，并最终确定每种水质参数反演的最佳模型；全部数据集的遥感影像像元值导入最终确定的模型，预测与其对应的水质参数。
2.根据权利要求1所述的一种遥感反演水体COD的方法，其特征在于：所述步骤(2)中将影像的4个20m分辨率的波段重采样为10米，获得8个分辨率为10m的水质参数敏感波段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010551807.XA CN111797186A (zh) | 2020-06-17 | 2020-06-17 | 一种遥感反演水体cod的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010551807.XA CN111797186A (zh) | 2020-06-17 | 2020-06-17 | 一种遥感反演水体cod的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797186A true CN111797186A (zh) | 2020-10-20 |
Family
ID=72803366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010551807.XA Pending CN111797186A (zh) | 2020-06-17 | 2020-06-17 | 一种遥感反演水体cod的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797186A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464746A (zh) * | 2020-11-10 | 2021-03-09 | 清华苏州环境创新研究院 | 一种卫星影像和机器学习的水质监测方法及*** |
| CN113324923A (zh) * | 2021-06-07 | 2021-08-31 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
| CN113466135A (zh) * | 2021-06-09 | 2021-10-01 | 汕头大学 | 一种基于gee的海水水质在线反演监测方法 |
| CN115422309A (zh) * | 2022-07-07 | 2022-12-02 | 南京林业大学 | 一种基于神经网络的大尺度林龄遥感反演方法 |
| CN115578644A (zh) * | 2022-08-08 | 2023-01-06 | 江苏省水利科学研究院 | 基于多特征机器学***原水网水葫芦提取方法及装置 |
| CN116337819A (zh) * | 2023-03-27 | 2023-06-27 | 北京智科远达数据技术有限公司 | 一种水体化学需氧量浓度的反演方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101963664A (zh) * | 2010-09-28 | 2011-02-02 | 中国科学院东北地理与农业生态研究所 | 基于水陆地物分类信息的微波遥感混合像元分解方法 |
| CN105868533A (zh) * | 2016-03-23 | 2016-08-17 | 四川理工学院 | 基于物联网和3s技术江河流域水环境集成感知与应用方法 |
| CN108038351A (zh) * | 2017-12-06 | 2018-05-15 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
| CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
-
2020
- 2020-06-17 CN CN202010551807.XA patent/CN111797186A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101963664A (zh) * | 2010-09-28 | 2011-02-02 | 中国科学院东北地理与农业生态研究所 | 基于水陆地物分类信息的微波遥感混合像元分解方法 |
| CN105868533A (zh) * | 2016-03-23 | 2016-08-17 | 四川理工学院 | 基于物联网和3s技术江河流域水环境集成感知与应用方法 |
| CN108038351A (zh) * | 2017-12-06 | 2018-05-15 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
| CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 罗强: "《基于遥感数据的乌梁素海水质参数及湿地演化反演研究》", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464746A (zh) * | 2020-11-10 | 2021-03-09 | 清华苏州环境创新研究院 | 一种卫星影像和机器学习的水质监测方法及*** |
| CN112464746B (zh) * | 2020-11-10 | 2023-09-12 | 清华苏州环境创新研究院 | 一种卫星影像和机器学习的水质监测方法及*** |
| CN113324923A (zh) * | 2021-06-07 | 2021-08-31 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
| CN113324923B (zh) * | 2021-06-07 | 2023-07-07 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
| CN113466135A (zh) * | 2021-06-09 | 2021-10-01 | 汕头大学 | 一种基于gee的海水水质在线反演监测方法 |
| CN115422309A (zh) * | 2022-07-07 | 2022-12-02 | 南京林业大学 | 一种基于神经网络的大尺度林龄遥感反演方法 |
| CN115422309B (zh) * | 2022-07-07 | 2023-05-23 | 南京林业大学 | 一种基于神经网络的大尺度林龄遥感反演方法 |
| CN115578644A (zh) * | 2022-08-08 | 2023-01-06 | 江苏省水利科学研究院 | 基于多特征机器学***原水网水葫芦提取方法及装置 |
| CN115578644B (zh) * | 2022-08-08 | 2023-04-18 | 江苏省水利科学研究院 | 基于多特征机器学***原水网水葫芦提取方法及装置 |
| CN116337819A (zh) * | 2023-03-27 | 2023-06-27 | 北京智科远达数据技术有限公司 | 一种水体化学需氧量浓度的反演方法 |
| CN116337819B (zh) * | 2023-03-27 | 2023-10-27 | 北京智科远达数据技术有限公司 | 一种水体化学需氧量浓度的反演方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797186A (zh) | 一种遥感反演水体cod的方法 | |
| CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
| CN105868533B (zh) | 基于物联网和3s技术江河流域水环境集成感知与应用方法 | |
| Yuan | Land‐cover change and environmental impact analysis in the Greater Mankato area of Minnesota using remote sensing and GIS modelling | |
| Zhou et al. | Mapping the concentrations of total suspended matter in Lake Taihu, China, using Landsat‐5 TM data | |
| Liu et al. | Population density and image texture | |
| Tian et al. | Remote sensing retrieval of inland water quality parameters using Sentinel-2 and multiple machine learning algorithms | |
| CN112989692A (zh) | 基于遥感数据的湖泊富营养化反演方法 | |
| CN106501186B (zh) | 一种土壤含水量产品降尺度方法 | |
| CN103473707A (zh) | 建立城市河网水体光谱库的方法与应用 | |
| CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及*** | |
| Fu et al. | Spatial downscaling of MODIS Chlorophyll-a using Landsat 8 images for complex coastal water monitoring | |
| CN112926468B (zh) | 一种潮滩高程自动提取方法 | |
| CN113673586A (zh) | 融合多源高分辨率卫星遥感影像的海上养殖区域分类方法 | |
| Wang et al. | A ground-based remote sensing system for high-frequency and real-time monitoring of phytoplankton blooms | |
| CN115356249A (zh) | 基于机器学习融合模型的卫星偏振pm2.5估算方法和*** | |
| Chen et al. | A novel multi-source data fusion method based on Bayesian inference for accurate estimation of chlorophyll-a concentration over eutrophic lakes | |
| Duan et al. | Estimation of chlorophyll‐a concentration and trophic states for inland lakes in Northeast China from Landsat TM data and field spectral measurements | |
| Bai et al. | LSCIDMR: Large-scale satellite cloud image database for meteorological research | |
| CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及*** | |
| Giesbrecht et al. | Watershed classification predicts streamflow regime and organic carbon dynamics in the Northeast Pacific coastal temperate rainforest | |
| CN116148188A (zh) | 空天地一体化湖泊水质溯源方法、***、设备及存储介质 | |
| Cao et al. | Monitoring the spatial and temporal variations in the water surface and floating algal bloom areas in Dongting Lake using a long-term MODIS image time series | |
| Guo et al. | An enhanced deep learning approach to assessing inland lake water quality and its response to climate and anthropogenic factors | |
| Mohebzadeh et al. | Spatial downscaling of MODIS Chlorophyll-a with machine learning techniques over the west coast of the Yellow Sea in South Korea |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |